Palabras clave
imágenes satelitales
índices de vegetación
random Forest
incertidumbre
Cómo citar
##article.highlights##
- La biomasa aérea se estimó en selvas medianas subperennifolia y subcaducifolia.
- La biomasa aérea se estimó mediante la aplicación del algoritmo random Forest.
- La variación espacial de precipitación y temperatura son relevantes para la estimación y el mapeo.
- Los valores más bajos de incertidumbre se registraron en la selva mediana subperennifolia.
- La sinergia de datos diversos y algoritmos automatizados facilitaron el mapeo de la biomasa.
Resumen
Introducción: Los bosques tropicales constituyen ecosistemas complejos y dinámicos que cubren áreas extensas, de ahí la importancia de determinar su contenido de biomasa y representar su variabilidad espacial.
Objetivo: Estimar y mapear la biomasa aérea y su incertidumbre asociada en selvas medianas subperennifolia (SMSP) y subcaducifolia (SMSC) de la península de Yucatán.
Materiales y métodos: La biomasa aérea se estimó en función de variables explicativas obtenidas de imágenes Landsat y variables climáticas, mediante el algoritmo random Forest. La biomasa aérea se mapeó a partir de estimaciones previas de biomasa para franjas del territorio con presencia de datos LiDAR (Light Detection And Ranging) y datos de campo. La incertidumbre a nivel de pixel se estimó como el coeficiente de variación.
Resultados y discusión: Una combinación de variables climáticas y espectrales mostraron capacidad aceptable para estimar la biomasa en la selva mediana subperennifolia y mediana subcaducifolia con una varianza explicada de 50 % y RMSE (raíz del error cuadrático medio) de 34.2 Mg·ha-1 y 26.2 Mg·ha-1, respectivamente, prevalenciendo las variables climáticas. La biomasa de la SMSP varió entre 4.0 y 185.7 Mg·ha-1 y la de la SMSC osciló entre 11.7 y 117 Mg·ha-1. Los valores más bajos de incertidumbre se registraron en la selva mediana subperennifolia, siendo mayores en zonas con cantidades menores de biomasa aérea.
Conclusión: La biomasa aérea se estimó y mapeó mediante el uso combinado de las variables auxiliares con una precisión aceptable, contrario a la incertidumbre de las predicciones, lo que representa una oportunidad de mejora futura.
Citas
Ahmed, O. S., Franklin, S. E., Wulder, M. A., & White, J. C. (2015). Characterizing stand-level forest canopy cover and height using Landsat time series, samples of airborne LiDAR, and the Random Forest algorithm. ISPRS Journal of Photogrammetry and Remote Sensing, 101, 89‒101. doi: https://doi.org/10.1016/j.isprsjprs.2014.11.007
Álvarez-Dávila, E., Cayuela, L., González-Caro, S., Aldana, A. M., Stevenson, P. R., Phillips, O., . . . Rey-Benayas, J. M. (2017). Forest biomass density across large climate gradients in northern South America is related to water availability but not with temperature. PLoS ONE, 12(3), e0171072. doi: https://doi.org/10.1371/journal.pone.0171072
Aryal, D. R., De Jong, B. H. J., Ochoa-Gaona, S., Esparza-Olguin, L., & Mendoza-Vega, J. (2014). Carbon stocks and changes in tropical secondary forests of southern Mexico. Agriculture, Ecosystems & Environment, 195, 220‒230. doi: https://doi.org/10.1016/j.agee.2014.06.005
Asner, G. P., & Mascaro, J. (2014). Mapping tropical forest carbon: Calibrating plot estimates to a simple LiDAR metric. Remote Sensing of Environment, 140, 614‒624. doi: https://doi.org/10.1016/j.rse.2013.09.023
Barbosa, J. M., Broadbent, E. N., & Bitencourt, M. D. (2014). Remote sensing of aboveground biomass in tropical secondary forests: A review. International Journal of Forestry Research, Article ID 715796. doi: https://doi.org/10.1155/2014/715796
Basuki, T. M., Skidmore, A. K., Hussin, Y. A., & Van Duren, I. (2013). Estimating tropical forest biomass more accurately by integrating ALOS PALSAR and Landsat-7 ETM+ data. International Journal of Remote Sensing, 34(13), 4871‒4888. doi: https://doi.org/10.1080/01431161.2013.777486
Cao, S., Yu, Q., Sanchez-Azofeifa, A., Feng, J., Rivard, B., & Gu, Z. (2015). Mapping tropical dry forest succession using multiple criteria spectral mixture analysis. ISPRS Journal of Photogrammetry and Remote Sensing, 109, 17‒29. doi: https://doi.org/10.1016/j.isprsjprs.2015.08.009
Cracknell, A. P. (1998). Synergy in remote sensing-what's in a pixel? International Journal of Remote Sensing, 19(11), 2025‒2047. doi: 10.1080/014311698214848
Crist, E. P. (1985). A TM tasseled cap equivalent transformation for reflectance factor data. Remote Sensing of Environment, 17(3), 301‒306. doi: https://doi.org/10.1016/0034-4257(85)90102-6
Cutler, A., Cutler, D. R., & Stevens, J. R. (2012). Random forests. In C. Zhang, & Y. Ma (Eds.), Ensemble machine learning: Methods and applications (pp. 157‒175). New York, USA: Springer.
Dai, Z., Birdsey, R. A., Johnson, K. D., Dupuy, J. M., Hernandez-Stefanoni, J. L., & Richardson, K. (2014). Modeling carbon stocks in a secondary tropical dry forest in the Yucatan Peninsula, Mexico. Water, Air, & Soil Pollution, 225, Article 1925. doi: https://doi.org/10.1007/s11270-014-1925-x
Deo, R. K., Russell, M. B., Domke, G. M., Woodall, C. W., Falkowski, M. J., & Cohen, W. B. (2016). Using landsat time-series and LiDAR to inform aboveground forest biomass baselines in Northern Minnesota, USA. Canadian Journal of Remote Sensing, 43(1), 28‒47. doi: https://doi.org/10.1080/07038992.2017.1259556
Dupuy-Rada, J., Hernández-Stefanoni, J., Hernández-Juárez, R., Tun-Dzul, F., & May-Pat, F. (2012). Efectos del cambio de uso del suelo en la biomasa y diversidad de plantas leñosas en un paisaje de bosque tropical seco en Yucatán. Investigación Ambiental Ciencia y Política Pública, 4(2), 130‒140. Retrieved from https://cicy.repositorioinstitucional.mx/jspui/bitstream/1003/1242/1/id26022_Dupuy_Juan.pdf
Food and Agriculture Organization of the United Nations (FAO). (2020). Global forest resources assessment 2020: Main report. Rome: Author. doi: https://doi.org/10.4060/ca9825en
FAO & UNEP. (2020). The state of the world’s forests 2020. Forests, biodiversity and people. Rome: Author. doi: https://doi.org/10.4060/ca8642en
Fick, S. E., & Hijmans, R. J. (2017). WorldClim 2: new 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37(12), 4302‒4315. doi: https://doi.org/10.1002/joc.5086
Foody, G. M., Cutler, M. E., Mcmorrow, J., Pelz, D., Tangki, H., Boyd, D. S., & Douglas, I. (2001). Mapping the biomass of Bornean tropical rain forest from remotely sensed data. Global Ecology and Biogeography, 10(4), 379‒387. doi: https://doi.org/10.1046/j.1466-822X.2001.00248.x
Freeman, E. A., Frescino, T. S., & Moisen, G. G. (2018). ModelMap: an R package for model creation and map production. Retrieved from https://cran.r-project.org/web/packages/ModelMap/vignettes/VModelMap.pdf
Freitas, S. R., Mello, M. C. S., & Cruz, C. B. M. (2005). Relationships between forest structure and vegetation indices in Atlantic Rainforest. Forest Ecology and Management, 218(1-3), 353‒362. doi: https://doi.org/10.1016/j.foreco.2005.08.036
Gao, X., Huete, A. R., Ni, W., & Miura, T. (2000). Optical–biophysical relationships of vegetation spectra without background contamination. Remote Sensing of Environment, 74(3), 609‒620.
Ghosh, S. M., & Behera, M. D. (2018). Aboveground biomass estimation using multi-sensor data synergy and machine learning algorithms in a dense tropical forest. Applied Geography, 96, 29‒40. doi: https://doi.org/10.1016/j.apgeog.2018.05.011
Global Observation of Forest and Land Cover Dynamics (GOFC-GOLD). (2016). A sourcebook of methods and procedures for monitoring and reporting anthropogenic greenhouse gas emissions and removals associated with deforestation, gains and losses of carbon stocks in forests remaining forests, and forestation. GOFC-GOLD Report version COP22-1. Retrieved from http://www.monitoreoforestal.gob.mx/repositoriodigital/items/show/459
Hernández-Stefanoni, J., Dupuy, J., Johnson, K., Birdsey, R., Tun-Dzul, F., Peduzzi, A., …López-Merlín, D. (2014). Improving species diversity and biomass estimates of tropical dry forests using airborne LiDAR. Remote Sensing, 6(12), 4741‒4763. doi: https://doi.org/10.3390/rs6064741
Hernández-Stefanoni, J. L., Castillo-Santiago, M. Á., Mas, J. F., Wheeler, C. E., Andres-Mauricio, J. A., Tun-Dzul, F., . . . Vaca, R. (2020). Improving aboveground biomass maps of tropical dry forests by integrating LiDAR, ALOS PALSAR, climate and field data. Carbon Balance and Management, 15(1), 1‒17. Retrieved from https://cbmjournal.biomedcentral.com/articles/10.1186/s13021-020-00151-6
Houghton, R. A., Byers, B., & Nassikas, A. A. (2015). A role for tropical forests in stabilizing atmospheric CO2. Nature Climate Change, 5(12), 1022‒-1023. doi: https://doi.org/10.1038/nclimate2869
Instituto Nacional de Estadística y Geografía (INEGI). (2013). Conjunto Nacional de Uso del Suelo y Vegetación a escala 1:250,000. Aguascalientes, México: Author.
Lu, D., Chen, Q., Wang, G., Moran, E., Batistella, M., Zhang, M., . . . Saah, D. (2012). Aboveground forest biomass estimation with Landsat and LiDAR data and uncertainty analysis of the estimates. International Journal of Forestry Research, Article ID 436537. doi: https://doi.org/10.1155/2012/436537
Martínez, E., & Galindo, L. C. (2002). La vegetación de Calakmul, Campeche, México: clasificación, descripción y distribución. Boletín de la Sociedad Botánica de México, 71, 7‒32. doi: https://doi.org/10.17129/botsci.1660
Ortiz-Reyes, A. D., Valdez-Lazalde, J. R., Ángeles-Pérez, G., De los Santos-Posadas, H. M., Schneider, L., Aguirre-Salado, C. A., & Peduzzi, A. (2019). Transectos de datos LiDAR: una estrategia de muestreo para estimar biomasa aérea en áreas forestales. Madera y Bosques, 25(3), e2531872. doi: https://doi.org/10.21829/myb.2019.2531872
Phua, M.-H., Johari, S. A., Wong, O. C., Ioki, K., Mahali, M., Nilus, R., . . . Hashim, M. (2017). Synergistic use of Landsat 8 OLI image and airborne LiDAR data for above-ground biomass estimation in tropical lowland rainforests. Forest Ecology and Management, 406, 163‒171. doi: https://doi.org/10.1016/j.foreco.2017.10.007
Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote Sensing of Environment, 48(2), 119‒126. doi: https://doi.org/10.1016/0034-4257(94)90134-1
QGIS (2019). QGIS Geographic Information System. Open Source Geospatial Foundation Project. (Version 3.6 Noosa). Retrieved from https://qgis.org
R Development Core Team. (2013). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing.
Saatchi, S. S., Harris, N. L., Brown, S., Lefsky, M., Mitchard, E. T., Salas, W., . . . Morel, A. (2011). Benchmark map of forest carbon stocks in tropical regions across three continents. Proceedings of the National Academy of Sciences, 108(24), 9899‒9904. doi: https://doi.org/10.1073/pnas.1019576108
USGS. (2017). EROS science processing architecture on demand interface. Retrieved January, 2017, from https://espa.cr.usgs.gov/ordering/new
USGS. (2019). What are the best Landsat spectral bands for use in my research? Retrieved January, 2017, from https://www.usgs.gov/faqs/what-are-best-landsat-spectral-bands-use-my-research?qt-news_science_products=7#qt-news_science_products
Vermote, E., Justice, C., Claverie, M., & Franch, B. (2016). Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product. Remote Sensing of Environment, 185, 46‒56. doi: https://doi.org/10.1016/j.rse.2016.04.008
Vieilledent, G., Gardi, O., Grinand, C., Burren, C., Andriamanjato, M., Camara, C., . . . Lines, E. (2016). Bioclimatic envelope models predict a decrease in tropical forest carbon stocks with climate change in Madagascar. Journal of Ecology, 104(3), 703‒715. doi: 10.1111/1365-2745.12548
White, D. A., & Hood, C. S. (2004). Vegetation patterns and environmental gradients in tropical dry forests of the northern Yucatan Peninsula. Journal of Vegetation Science, 15(2), 151‒160. doi: https://doi.org/10.1111/j.1654-1103.2004.tb02250.x
White, J. C., Wulder, M., Vastaranta, M., Coops, N., Pitt, D., & Woods, M. (2013). The utility of image-based point clouds for forest inventory: A comparison with airborne laser scanning. Forests, 4(3), 518‒536. doi: https://doi.org/10.3390/f4030518
Wilkes, P., Jones, S. D., Suarez, L., Mellor, A., Woodgate, W., Soto-Berelov, M., . . . Skidmore, A. K. (2015). Mapping forest canopy height across large areas by upscaling ALS estimates with freely available satellite data. Remote Sensing, 7(9), 12563‒12587. doi: https://doi.org/10.3390/rs70912563
WorldClim (2017). Historical climate data. Retrieved January 2017 from https://worldclim.org/data/worldclim21.html
Wulder, M. A., White, J. C., Bater, C. W., Coops, N. C., Hopkinson, C., & Chen, G. (2012). Lidar plots—A new large-area data collection option: Context, concepts, and case study. Canadian Journal of Remote Sensing, 38(5), 600‒618. doi: https://doi.org/10.5589/m12-049
Young, N. E., Anderson, R. S., Chignell, S. M., Vorster, A. G., Lawrence, R., & Evangelista, P. H. (2017). A survival guide to Landsat preprocessing. Ecology, 98(4), 920‒932. doi: https://doi.org/10.1002/ecy.1730
Zolkos, S. G., Goetz, S. J., & Dubayah, R. (2013). A meta-analysis of terrestrial aboveground biomass estimation using lidar remote sensing. Remote Sensing of Environment, 128, 289‒298. doi: https://doi.org/10.1016/j.rse.2012.10.017
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Derechos de autor 2021 Revista Chapingo Serie Ciencias Forestales y del Ambiente